Rachunek prawdopodobieństwa MAP1151 Wydział Elektroniki, rok akad. 2011/12, sem. letni Wykładowca: dr hab. A. Jurlewicz

Save this PDF as:
 WORD  PNG  TXT  JPG

Wielkość: px
Rozpocząć pokaz od strony:

Download "Rachunek prawdopodobieństwa MAP1151 Wydział Elektroniki, rok akad. 2011/12, sem. letni Wykładowca: dr hab. A. Jurlewicz"

Transkrypt

1 Rchuek prwdopodobieństw MA5 Wydził Elektroiki, rok kd. 20/2, sem. leti Wykłdowc: dr hb. A. Jurlewicz Wykłd 7: Zmiee losowe dwuwymirowe. Rozkłdy łącze, brzegowe. Niezleżość zmieych losowych. Momety. Współczyik korelcji. Sumowie iezleżych zmieych losowych. rwo wielkich liczb. Zmiee losowe dwuwymirowe, rozkłd łączy, rozkłdy brzegowe. Defiicj. Zmie losow dwuwymirow to wektor (X, Y ), którego skłdowe X, Y są zmieymi losowymi. Rozkłd wektor losowego (X, Y ) to fukcj ((X, Y ) C), gdzie C to borelowski podzbiór płszczyzy R 2. Nzywmy go rozkłdem łączym zmieych losowych X, Y. Rozkłd zmieej losowej X i rozkłd zmieej losowej Y zywmy rozkłdmi brzegowymi wektor losowego (X, Y ). eł iformcj o rozkłdzie łączym zmieych losowych X, Y zwrt jest: () w dystrybucie tego rozkłdu, czyli fukcji F X,Y (x, y) = (X < x, Y < y) (b) w przypdku dyskretego wektor losowego (X, Y ) zwrt jest tkże w ciągu trójek {(x, y k, p k ), T N, k T 2 N}, gdzie {x, T } orz {y k, k T 2 } to ciągi wszystkich wrtości przyjmowych odpowiedio przez X i Y z dodtimi prwdopodobieństwmi, tomist p k = (X = x, Y = y k ), T, k T 2. (Ciągi {x, T } orz {y k, k T 2 } muszą być różowrtościowe, tomist p k 0 dl wszystkich, k orz p k =, by rozkłd był dobrze określoy.) k T 2 T (c) w przypdku ciągłego rozkłdu wektor losowego (X, Y ) zwrt jest tkże w gęstości łączej f(x, y), czyli tkiej fukcji f(x, y) 0 dl kżdego (x, y), że F X,Y (x, y) = x ds y f(s, t)dt (Aby fukcj f(x, y) był gęstością pewego rozkłdu prwdopodobieństw musi spełić wruki: f(x, y) 0 dl kżdego (x, y) orz dx f(x, y)dy =.)

2 Fkt: Jeśli zmy rozkłd łączy, to zmy też rozkłdy brzegowe, gdyż: F X (x) = (X < x) = (X < x, Y < ) = y lim F X,Y (x, y), F Y (y) = (Y < y) = (X <, Y < y) = x lim F X,Y (x, y) W przypdku dyskretego wektor losowego (X, Y ) zdego cigiem {(x, y k, p k ), T, k T 2 }: rozkłd zmieej losowej X zdy jest ciągiem {(x, p ), T }, gdzie p = (X = x ) = (X = x, Y = y k ) = p k k T 2 k T 2 odobie, rozkłd zmieej losowej Y zdy jest ciągiem {(y k, p k ), k T 2 }, gdzie p k = (Y = y k ) = (X = x, Y = y k ) = p k T T W przypdku wektor o rozkłdzie ciągłym o gęstości łączej f(x, y) moż pokzć, że: rozkłd zmieej losowej X jest ciągły o gęstości f X (x) = rozkłd zmieej losowej Y jest ciągły o gęstości f Y (y) = f(x, y)dy, f(x, y)dx. Niezleżość zmieych losowych Defiicj. Zmiee losowe X i Y są iezleże, gdy dl dowolych borelowskich zbiorów B i B 2 zdrzei {X B } i {Y B 2 } są iezleże, tz. (X B, Y B 2 ) = (X B ) (Y B 2 ). Zmiee losowe X, X 2,..., X są iezleże, gdy dl dowolych borelowskich zbiorów B, B 2,..., B rodzi {{X i B i }, i =, 2,..., } jest rodzią zdrzeń iezleżych. Fkt. Zmiee losowe X i Y są iezleże wtedy i tylko wtedy, gdy dl kżdego (x, y) F X,Y (x, y) = F X (x)f Y (y). W przypdku rozkłdu dyskretego wruek te jest rówowży wrukowi p k = p p k dl kżdego (, k) z odpowiediego zkresu. W przypdku rozkłdu ciągłego wrukiem rówowżym jest f(x, y) = f X (x)f Y (y) dl prwie wszystkich (x, y) (tz. rówość może ie zchodzić zbiorze o polu 0). rzykłdy do zd. 5., 5.2 2

3 Wrtość oczekiw i mcierz kowricji zmieej losowej dwuwymirowej. Współczyik korelcji. Defiicj. (EX, EY ) to wektor wrtości oczekiwych zmieej losowej dwuwymirowej (X, Y ). Cov(X, Y ) = EXY EXEY - współczyik kowricji zmieych X i Y [ D 2 ] X Cov(X, Y ) Cov(X, Y ) D 2 to mcierz kowricji zmieej losowej dwuwymirowej (X, Y ) Y rmetry te są dobrze określoe, o ile istieją wrtości oczekiwe i wricje zmieych losowych X i Y Fkt. Dl dowolej fukcji borelowskiej EZ = Eg(X, Y ) = g(x, y k )p k, T k T 2 = g(x, y)f(x, y)dxdy, o ile cłk (szereg) zbieże. Stąd jeśli istieją EX i EY, to orz jeśli istieją D 2 X i D 2 Y, to Defiicj. g(x, y)df X,Y (x, y) = gdy X m rozkłd dyskrety zdy ciągiem {(x, y k, p k ), T, k T 2 }; gdy X m rozkłd ciągły o gęstości f(x, y). E(X + Y ) = EX + EY D 2 (X + Y ) = D 2 X + D 2 Y + 2Cov(X, Y ). rzy złożeiu, że istieją D 2 X > 0 i D 2 Y > 0, określmy współczyik korelcji zmieych losowych X i Y jko: Włsości współczyik korelcji: ρ XY. ρ XY = Cov(X, Y ) D2 X D 2 Y. ρ XY = wtedy i tylko wtedy, gdy Y = X + b dl pewych stłych 0, b, przy czym ρ XY = odpowid > 0, ρ XY = odpowid < 0 (peł liiow zleżość Y od X). Gdy ρ XY = 0, mówimy, że X i Y są ieskorelowe. rzykłdy do zd

4 Fkt. Jeżeli zmiee losowe X i Y są iezleże orz ich wrtości oczekiwe i wricje istieją, przy czym wricje są iezerowe, to EXY = EXEY stąd orz ρ XY = 0. D 2 (X + Y ) = D 2 X + D 2 Y Ztem jeśli zmiee losowe o skończoych i iezerowych wricjch są iezleże, to są też ieskorelowe. Implikcj odwrot ie jest prwdziw. rzykłdy do zd. 5.4 Sum iezleżych zmieych losowych. X i Y to iezleże zmiee losowe odpowiedio o dystrybutch F X (x) i F Y (y). Wówczs Z = X + Y m rozkłd o dystrybucie F X+Y (z) = Jest to tzw. splot dystrybut (mir). F X (z y)df Y (y). Jeśli X i Y mją rozkłdy ciągłe o gęstościch odpowiedio f X (x) i f Y (y), to Z = X + Y też m rozkłd ciągły o gęstości f X+Y (z) = Jest to zy m splot gęstości. f X (z y)f Y (y)dy = (f X f Y )(z). 4

5 Zbieżości ciągu zmieych losowych z prwdopodobieństwem i stochstycz. Defiicj. Ciąg zmieych losowych X, X 2,... jest zbieży z prwdopodobieństwem (i. prwie pewo) do zmieej losowej X, jeżeli Ozczeie: X X, X (ω : lim X (ω) = X(ω)) =. p.. X, lim X = X z prwd.. Uwg: Ciąg zbieży puktowo jest zbieży z prwdopodobieństwem. (Ciąg X, X 2,... jest zbieży puktowo do X, jeżeli lim X (ω) = X(ω) dl kżdego ω Ω.) Zbieżość stochstycz: Defiicj. Ciąg zmieych losowych X, X 2,... jest zbieży stochstyczie (i. według prwdopodobieństw) do zmieej losowej X, jeżeli Ozczeie: X Fkt. () Jeżeli X X, to X (b) Jeżeli X ɛ>0 X, lim X = X. X. ( X X ɛ) 0. X, to istieje podciąg (X k ) cigu (X ), tki że X k X. 5

6 rw wielkich liczb (WL) Defiicj. Niech X, X 2,... będzie ciągiem zmieych losowych o skończoych wrtościch oczekiwych EX = m. Niech S = X + X X, = m + m m. Mówimy, że ciąg (X ) spełi słbe prwo wielkich liczb (SWL), gdy S = (X k m k ) 0. Mówimy, że ciąg te spełi moce prwo wielkich liczb (MWL), gdy Oczywiście MWL = SWL. S 0. WL dl ciągów zmieych losowych o jedkowym rozkłdzie Twierdzeie Chiczy. Niech (X ) będzie ciągiem iezleżych zmieych losowych o jedkowym rozkłdzie, przy czym E X <. Wtedy ciąg te spełi SWL, które w tym przypdku moż zpisć w postci S = X k m = EX. MWL Kołmogorow. Niech (X ) będzie ciągiem iezleżych zmieych losowych o jedkowym rozkłdzie. Ciąg te spełi MWL, które w tym przypdku moż zpisć w postci S = wtedy i tylko wtedy, gdy E X <. X k m = EX. 6

7 Szczególy przypdek: Jeżeli (X ) to ciąg iezleżych zmieych losowych o jedkowym rozkłdzie zerojedykowym B(, p), tz. (X = ) = p = (X = 0), to S m rozkłd Beroulliego B(, p), tki jk rozkłd ilości sukcesów w próbch Beroulliego z prwdopodobieństwem sukcesu p, m = EX = p. rwo wielkich liczb Beroulliego, twierdzeie Borel: Niech S będzie liczbą sukcesów w próbch Beroulliego z prwdopodobieństwem sukcesu p. Wtedy zchodzi WL Beroulliego (XVII/XVIII w.) (SWL) S p. twierdzeie Borel (pocz. XX w.) (MWL) S p. Iterpretcj: Częstość występowi sukcesu w próbch Beroulliego przybliż przy dużym prwdopodobieństwo p sukcesu w pojedyczej próbie. Odpowid to obserwcjom z tury, że częstość zdrzei losowego stbilizuje się pewym poziomie. rzykłdy do zd

8 rzykłdy zstosowń WL Metod Mote Crlo obliczi cłek ozczoych: Niech X, X 2,... X będzie ciągiem iezleżych zmieych losowych o jedkowym rozkłdzie jedostjym przedzile [, b] orz iech f będzie fukcją rzeczywistą tką, że Ef(X ) istieje i jest skończo. rzy powyższych złożeich f(x ), f(x 2 ),... f(x ) jest tkże ciągiem iezleżych zmieych losowych o jedkowym rozkłdzie, przy czym istieje wrtość oczekiw Ef(X ). odto Ef(X ) = b b f(x)dx. Z MWL Kołmogorow mmy f(x k ) z pr. Ef(X ) = b f(x)dx. b Możemy ztem do obliczi przybliżoej wrtości cłki ozczoej b stępujący lgorytm: f(x)dx zstosowć (i) losujemy iezleżie liczby u, u 2,..., u z rozkłdu jedostjego U[0, ]; (ii) przeksztłcmy x k = + (b )u k dl k =, 2,..., otrzymując w te sposób próbkę z rozkłdu U(, b); (iii) jko przybliżoą wrtość cłki przyjmujemy b f(x)dx b f(x k ). rzykłdowy progrm w Mtlbie fuctio clkowiemotecrlo N=0000; %N - ilość prób Mote Crlo %(im wieksze N, tym wyik przyblizoy blizszy rzeczywistej wrtosci clki) =-; % - pocztek przedzilu clkowi b=; %b - koiec przedzilu clkowi %geerujemy x, x 2,..., x N z rozkłdu jedostjego przedzile (, b) x=+(b-)*rd(,n); %liczymy wrtości fukcji podcłkowej f(x ), f(x 2 ),..., f(x N ), gdzie f(x) = x 2 f=sqrt(-x.ˆ2); %obliczmy przybliżoą wrtość cłki ze wzoru b f(x k ) clk=(b-)/n*sum(f) Uwg: b f(x)dx = x2 dx = π, Kilk otrzymych wyików przybliżoych:,5725;,5680;,5736;,

9 Dystrybut empirycz: Rozwżmy ciąg X, X 2,... X iezleżych zmieych losowych o jedkowym rozkłdzie opisym dystrybutą F (x). Ciąg te iterpretujemy jko opis wyików iezleżych pomirów pewej wielkości fizyczej X, dokoywych w tych smych wrukch fizyczych. Wrtości x, x 2,... x zmieych losowych w tym ciągu to wyiki kokretych tkich pomirów. Ciąg X, X 2,... X zywmy próbą prostą. Niech S (x; X, X 2,... X ) ozcz ilość elemetów próby prostej, których wrtość jest miejsz iż x. F (x; X, X 2,... X ) = S (x; X, X 2,... X ) (lbo F (x; x, x 2,... x )) zywmy dystrybutą empiryczą. Zuwżmy, że S (x; X, X 2,... X ) ozcz ilość tych X i, których wrtość jest miejsz iż x. Jest to ztem ilość sukcesów w próbch Beroulliego, gdzie sukces w itej próbie to zdrzeie {X i < x} i p = (X i < x) = F (x) iezleżie od i. Ztem S (x; X, X 2,... X ) m rozkłd Beroulliego B(, p = F (x)). Z tw. Borel otrzymujemy, że F (x; X, X 2,... X ) = S (x; X, X 2,... X ) p = F (x). Iczej mówiąc, dl dużych, dl prwie kżdej wrtości (x, x 2,... x ) wektor losowego (X, X 2,... X ) mmy F (x; x, x 2,... x ) F (x), czyli dystrybut empirycz jest w przybliżeiu rów dystrybucie teoretyczej F. = rzykłd: Niebieski wykres: F (x) = e x dl x > 0, czerwoy wykres: relizcj dystrybuty empiryczej. 0 = =

Wykład 12: Sumowanie niezależnych zmiennych losowych i jego związek ze splotem gęstości i transformatami Laplace a i Fouriera. Prawo wielkich liczb.

Wykład 12: Sumowanie niezależnych zmiennych losowych i jego związek ze splotem gęstości i transformatami Laplace a i Fouriera. Prawo wielkich liczb. Rchuek prwdopodobieństw MA064 Wydził Elektroiki, rok kd. 2008/09, sem. leti Wykłdowc: dr hb. A. Jurlewicz Wykłd 2: Sumowie iezleżych zmieych losowych i jego związek ze splotem gęstości i trsformtmi Lplce

Bardziej szczegółowo

Wykład 9: Różne rodzaje zbieżności ciągów zmiennych losowych. Prawa wielkich liczb.

Wykład 9: Różne rodzaje zbieżności ciągów zmiennych losowych. Prawa wielkich liczb. Rchuek prwopoobieństw MA1181 Wyził T, MS, rok k. 2013/14, sem. zimowy Wykłowc: r hb. A. Jurlewicz Wykł 9: Róże rozje zbieżości ciągów zmieych losowych. rw wielkich liczb. Zbieżość z prwopoobieństwem 1:

Bardziej szczegółowo

Zadania z analizy matematycznej - sem. II Całki oznaczone i zastosowania

Zadania z analizy matematycznej - sem. II Całki oznaczone i zastosowania Zdi z lizy mtemtyczej - sem. II Cłki ozczoe i zstosowi Defiicj. Niech P = x x.. x będzie podziłem odcik [ b] części ( N przy czym x k = x k x k gdzie k δ(p = mx{ x k : k } = x < x

Bardziej szczegółowo

CIĄGI LICZBOWE N = zbiór liczb naturalnych. R zbiór liczb rzeczywistych (zbiór reprezentowany przez punkty osi liczbowej).

CIĄGI LICZBOWE N = zbiór liczb naturalnych. R zbiór liczb rzeczywistych (zbiór reprezentowany przez punkty osi liczbowej). MATEMATYKA I - Lucj Kowlski {,,,... } CIĄGI LICZBOWE N zbiór liczb turlych. R zbiór liczb rzeczywistych (zbiór reprezetowy przez pukty osi liczbowej. Nieskończoy ciąg liczbowy to przyporządkowie liczbom

Bardziej szczegółowo

Zasada indukcji matematycznej. Dowody indukcyjne.

Zasada indukcji matematycznej. Dowody indukcyjne. Zsd idukcji mtemtyczej. Dowody idukcyje. W rozdzile sformułowliśmy dl liczb turlych zsdę miimum. Bezpośredią kosekwecją tej zsdy jest brdzo wże twierdzeie, które umożliwi i ułtwi wiele dowodów twierdzeń

Bardziej szczegółowo

MATLAB PODSTAWY. [ ] tworzenie tablic, argumenty wyjściowe funkcji, łączenie tablic

MATLAB PODSTAWY. [ ] tworzenie tablic, argumenty wyjściowe funkcji, łączenie tablic MTLB PODSTWY ZNKI SPECJLNE symbol przypisi [ ] tworzeie tblic, rgumety wyjściowe fukcji, łączeie tblic { } ideksy struktur i tblic komórkowych ( ) wisy do określi kolejości dziłń, do ujmowi ideksów tblic,

Bardziej szczegółowo

Wykład 8: Zbieżność według rozkładu. Centralne twierdzenie graniczne.

Wykład 8: Zbieżność według rozkładu. Centralne twierdzenie graniczne. Rachuek prawopoobieństwa MA5 Wyział Elektroiki, rok aka 20/2, sem leti Wykłaowca: r hab A Jurlewicz Wykła 8: Zbieżość weług rozkłau Cetrale twierzeie graicze Zbieżości ciągu zmieych losowych weług rozkłau

Bardziej szczegółowo

Niezależność zmiennych, funkcje i charakterystyki wektora losowego, centralne twierdzenia graniczne

Niezależność zmiennych, funkcje i charakterystyki wektora losowego, centralne twierdzenia graniczne Wykład 4 Niezależość zmieych, fukcje i charakterystyki wektora losowego, cetrale twierdzeia graicze Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki

Bardziej szczegółowo

2. Ciągi liczbowe. Definicja 2.1 Funkcję a : N R nazywamy ciągiem liczbowym. Wartość funkcji a(n) oznaczamy symbolem a

2. Ciągi liczbowe. Definicja 2.1 Funkcję a : N R nazywamy ciągiem liczbowym. Wartość funkcji a(n) oznaczamy symbolem a Ciągi liczbowe Defiicj Fukcję : N R zywmy iem liczbowym Wrtość fukcji () ozczmy symbolem i zywmy -tym lub ogólym wyrzem u Ciąg Przykłdy Defiicj róŝic zpisujemy rówieŝ w postci { } + Ciąg liczbowy { } zywmy

Bardziej szczegółowo

Rozdział 1. Wektory losowe. 1.1 Wektor losowy i jego rozkład

Rozdział 1. Wektory losowe. 1.1 Wektor losowy i jego rozkład Rozdział 1 Wektory losowe 1.1 Wektor losowy i jego rozkład Definicja 1 Wektor X = (X 1,..., X n ), którego każda współrzędna jest zmienną losową, nazywamy n-wymiarowym wektorem losowym (krótko wektorem

Bardziej szczegółowo

P ( i I A i) = i I P (A i) dla parami rozłącznych zbiorów A i. F ( ) = lim t F (t) = 0, F (+ ) = lim t + F (t) = 1.

P ( i I A i) = i I P (A i) dla parami rozłącznych zbiorów A i. F ( ) = lim t F (t) = 0, F (+ ) = lim t + F (t) = 1. Podstawy teorii miary probabilistyczej. Zbiory mierzale σ ciało zbiorów Załóżmy, że mamy jakiś zbiór Ω. Niech F będzie taką rodzią podzbiorów Ω, że: Ω F A F A F i I A i F i I A i F Wtedy rodzię F azywamy

Bardziej szczegółowo

MATHCAD 2000 - Obliczenia iteracyjne, macierze i wektory

MATHCAD 2000 - Obliczenia iteracyjne, macierze i wektory MTHCD - Obliczei itercyje, mcierze i wektory Zmiee zkresowe. Tblicowie fukcji Wzór :, π.. π..8.9...88.99..8....8.98. si().9.88.89.9.9.89.88.9 -.9 -.88 -.89 -.9 - Opis, :,, przeciek, Ctrl+Shift+P, /,, ;średik,

Bardziej szczegółowo

Rachunek prawdopodobieństwa i statystyka matematyczna.

Rachunek prawdopodobieństwa i statystyka matematyczna. Rchunek rwdoodobieństw i sttystyk mtemtyczn. Zd 8. {(, : i } Zleżność tą możn rzedstwić w ostci nstęującej interretcji grficznej: Arkdiusz Kwosk Rfł Kukliński Informtyk sem.4 gr. Srwdźmy, czy odne zmienne

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład VI: Metoda Mote Carlo 17 listopada 2014 Zastosowaie: przybliżoe całkowaie Prosta metoda Mote Carlo Przybliżoe obliczaie całki ozaczoej Rozważmy całkowalą fukcję f : [0, 1] R. Chcemy zaleźć przybliżoą

Bardziej szczegółowo

Ekoenergetyka Matematyka 1. Wykład 8. CIĄGI LICZBOWE

Ekoenergetyka Matematyka 1. Wykład 8. CIĄGI LICZBOWE Ekoeergetk Mtemtk 1. Wkłd 8. CIĄGI LICZBOWE Defiicj (ciąg liczbow) Ciągiem liczbowm zwm fukcję odwzorowującą zbiór liczb turlch w zbiór liczb rzeczwistch. Wrtość tej fukcji dl liczb turlej zwm -tm wrzem

Bardziej szczegółowo

Notatki z Analizy Matematycznej 4. Jacek M. Jędrzejewski

Notatki z Analizy Matematycznej 4. Jacek M. Jędrzejewski Nottki z Anlizy Mtemtycznej 4 Jcek M. Jędrzejewski ROZDZIAŁ 7 Cłk Riemnn 1. Cłk nieoznczon Definicj 7.1. Niech f : (, b) R będzie dowolną funkcją. Jeżeli dl pewnej funkcji F : (, b) R spełnion jest równość

Bardziej szczegółowo

Analiza Matematyczna 2 Szeregi liczbowe i funkcyjne

Analiza Matematyczna 2 Szeregi liczbowe i funkcyjne Aliz Mtemtycz 2 Szeregi liczbowe i fukcyje Wydził Mtemtyki wykłdowc T. Dowrowicz 5 kwieti 2017 Wykłdy III i IV SZEREGI LICZBOWE Obrzowo mówiąc, szeregiem, zywmy ciąg, w którym zmist przeików stwimy zki

Bardziej szczegółowo

Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.

Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów. Rachunek prawdopodobieństwa MAP1181 Wydział PPT, MS, rok akad. 213/14, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.

Bardziej szczegółowo

Całki niewłaściwe. Rozdział Wprowadzenie Całki niewłaściwe I rodzaju

Całki niewłaściwe. Rozdział Wprowadzenie Całki niewłaściwe I rodzaju Rozdził 3 Cłki niewłściwe 3. Wprowdzenie Omwine w poprzednim rozdzile cłki oznczone są cłkmi funkcji ciągłych n przedzile domkniętym, więc funkcji ogrniczonych n przedzile skończonym. Wiele zgdnień prktycznych

Bardziej szczegółowo

MATEMATYKA Przed próbną maturą. Sprawdzian 2. (poziom rozszerzony) Rozwiązania zadań

MATEMATYKA Przed próbną maturą. Sprawdzian 2. (poziom rozszerzony) Rozwiązania zadań MATEMATYKA Przed próbą mturą Sprwdzi (poziom rozszerzoy) Rozwiązi zdń Zdie ( pkt) P Uczeń oblicz potęgi o wykłdikc wymieryc i stosuje prw dziłń potęgc o wykłdikc wymieryc 5 ( ) 7 5 Odpowiedź: C Zdie (

Bardziej szczegółowo

Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe.

Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Rachunek prawdopodobieństwa MAP3040 WPPT FT, rok akad. 2010/11, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Warunkowa wartość oczekiwana.

Bardziej szczegółowo

log lim =log a e, a x 1 =loga, lim a (1+x) ,oiletagranicaistnieje. ,...,jeżeli a n a,tociągśrednicharytmetycznychb n a(odwrotnienie!

log lim =log a e, a x 1 =loga, lim a (1+x) ,oiletagranicaistnieje. ,...,jeżeli a n a,tociągśrednicharytmetycznychb n a(odwrotnienie! Aliz mtemtycz I- www.mimek.pl, Autor: Krzyś Kulewski, pi@zodic.mimuw.edu.pl 1 Ciągi 1. Kżdy ciąg zbieży jest ogriczoy.. Twierdzeie Bolzo-Weierstrss. Kżdy ciąg ogriczoy zwier podciąg zbieży. 3.Gricgóridol

Bardziej szczegółowo

Ciągi i szeregi liczbowe

Ciągi i szeregi liczbowe Ciągi i szeregi liczbowe Defiicj. Jeżeli kżdej liczbie turlej przyporządkow zostł jkś liczb rzeczywist, to mówimy, że zostł określoy ciąg liczbowy (ieskończoy). Formlie ozcz to, że ciąg liczbowy jest fukcją

Bardziej szczegółowo

P = 27, 8 27, 9 27 ). Przechodząc do granicy otrzymamy lim P(Y n > Y n+1 ) = P(Z 1 0 > Z 2 X 2 X 1 = 0)π 0 + P(Z 1 1 > Z 2 X 2 X 1 = 1)π 1 +

P = 27, 8 27, 9 27 ). Przechodząc do granicy otrzymamy lim P(Y n > Y n+1 ) = P(Z 1 0 > Z 2 X 2 X 1 = 0)π 0 + P(Z 1 1 > Z 2 X 2 X 1 = 1)π 1 + Zadaia róże W tym rozdziale zajdują się zadaia ietypowe, często dotyczące łańcuchów Markowa oraz własości zmieych losowych. Pojawią się także zadaia z estymacji Bayesowskiej.. (Eg 8/) Rozważamy łańcuch

Bardziej szczegółowo

PODSTAWY BAZ DANYCH Wykład 3 2. Pojęcie Relacyjnej Bazy Danych

PODSTAWY BAZ DANYCH Wykład 3 2. Pojęcie Relacyjnej Bazy Danych PODSTAWY BAZ DANYCH Wykłd 3 2. Pojęcie Relcyjnej Bzy Dnych 2005/2006 Wykłd "Podstwy z dnych" 1 Rozkłdlno dlność schemtów w relcyjnych Przykłd. Relcj EGZ(U), U := { I, N, P, O }, gdzie I 10 10 11 N f f

Bardziej szczegółowo

Całki oznaczone. Funkcja górnej granicy całkowania. Zastosowania całek oznaczonych. Całki niewłaściwe. Małgorzata Wyrwas

Całki oznaczone. Funkcja górnej granicy całkowania. Zastosowania całek oznaczonych. Całki niewłaściwe. Małgorzata Wyrwas Cłki oznczone Definicj, włsności i oblicznie cłek oznczonych. Wrtość średni funkcji. Funkcj górnej grnicy cłkowni. Zstosowni cłek oznczonych. Cłki niewłściwe. Młgorzt Wyrws Ktedr Mtemtyki Wydził Informtyki

Bardziej szczegółowo

1.1 Pochodna funkcji w punkcie

1.1 Pochodna funkcji w punkcie Pochod fukcji w pukcie BLOK I RACHUNEK RÓŻNICZKOWY I CAŁKOWY Zkłdmy, że fukcj f jest określo w przedzile, ) orz, że, ), jest liczą, dl której + ), ) Liczę zywmy przyrostem rgumetu w pukcie, tomist różicę

Bardziej szczegółowo

Całki oznaczone. Funkcja górnej granicy całkowania. Zastosowania całek oznaczonych. Całki niewłaściwe. Małgorzata Wyrwas

Całki oznaczone. Funkcja górnej granicy całkowania. Zastosowania całek oznaczonych. Całki niewłaściwe. Małgorzata Wyrwas Cłki oznczone Definicj, włsności i oblicznie cłek oznczonych. Wrtość średni funkcji. Funkcj górnej grnicy cłkowni. Zstosowni cłek oznczonych. Cłki niewłściwe. Młgorzt Wyrws Ktedr Mtemtyki Wydził Informtyki

Bardziej szczegółowo

Literatura do ćwiczeń: Program zajęć: dr Krzysztof Żyjewski Informatyka; rok I, I o.inż. 17 listopada 2015

Literatura do ćwiczeń: Program zajęć: dr Krzysztof Żyjewski Informatyka; rok I, I o.inż. 17 listopada 2015 dr Krzysztof Żyjewski Iformtyk; rok I, I o.iż. 17 listopd 015 Kotkt: e-mil: krzysztof.zyjewski@uwm.edu.pl kosultcje: po 18 listopd 7.55-8.55, pok. A0/19 (ie termiy możliwe po uprzedim kotkcie milowym)

Bardziej szczegółowo

CAŁKA OZNACZONA JAKO SUMA SZEREGU

CAŁKA OZNACZONA JAKO SUMA SZEREGU CAŁKA OZNACZONA JAKO SUMA SZEREGU Rozwżmy funkcję ciągłą x f(x) o wrtościch nieujemnych określoną n przedzile [, b]. Ustlmy [będzie to problem sttystyczny polegjący n dokłdnym sprecyzowniu informcji o

Bardziej szczegółowo

ma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y

ma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y Zadaie. Łącza wartość szkód z pewego ubezpieczeia W = Y + Y +... + YN ma rozkład złożoy Poissoa z oczekiwaą liczbą szkód rówą λ i rozkładem wartości pojedyczej szkody takim, że ( Y { 0,,,3,... }) =. Niech:

Bardziej szczegółowo

Zadania i rozwiązania prac domowych z Analizy Matematycznej 1.2 z grupy pana Ryszarda Kopieckiego, semestr letni 2011/2012.

Zadania i rozwiązania prac domowych z Analizy Matematycznej 1.2 z grupy pana Ryszarda Kopieckiego, semestr letni 2011/2012. Zdi i rozwiązi prc domowych z Alizy Mtemtyczej. z grupy p Ryszrd Kopieckiego, semestr leti / Ntli Skowsk . seri UWAGA: wykresów oczywiście rysowć ie trzeb. Co więcej, wykres ie jest dowodem żdego stwierdzei.

Bardziej szczegółowo

Kurs Prawdopodobieństwo Wzory

Kurs Prawdopodobieństwo Wzory Kurs Prawdoodobieństwo Wzory Elemety kombiatoryki Klasycza deiicja rawdoodobieństwa gdzie: A - liczba zdarzeń srzyjających A - liczba wszystkich zdarzeń P A Tel. 603 088 74 Prawdoodobieństwo deiicja Kołmogorowa

Bardziej szczegółowo

Programowanie z więzami (CLP) CLP CLP CLP. ECL i PS e CLP

Programowanie z więzami (CLP) CLP CLP CLP. ECL i PS e CLP Progrmowie z więzmi (CLP) mjąc w PROLOGu: p(x) :- X < 0. p(x) :- X > 0. i pytjąc :- p(x). dostiemy Abort chcelibyśmy..9 CLP rozrzeszeie progrmowi w logice o kocepcję spełii ogriczeń rozwiązie = logik +

Bardziej szczegółowo

KONKURS MATEMATYCZNY dla uczniów gimnazjów w roku szkolnym 2012/13 III etap zawodów (wojewódzki) 12 stycznia 2013 r.

KONKURS MATEMATYCZNY dla uczniów gimnazjów w roku szkolnym 2012/13 III etap zawodów (wojewódzki) 12 stycznia 2013 r. KONKURS MTEMTYCZNY dl ucziów gimzjów w roku szkolym 0/ III etp zwodów (wojewódzki) styczi 0 r. Propozycj puktowi rozwiązń zdń Uwg Łączie uczeń może zdobyć 0 puktów. Luretmi zostją uczesticy etpu wojewódzkiego,

Bardziej szczegółowo

WYKŁAD 5. Typy macierzy, działania na macierzach, macierz układu równań. Podstawowe wiadomości o macierzach

WYKŁAD 5. Typy macierzy, działania na macierzach, macierz układu równań. Podstawowe wiadomości o macierzach Mtemtyk I WYKŁD. ypy mcierzy, dziłni n mcierzch, mcierz ukłdu równń. Podstwowe widomości o mcierzch Ogóln postć ukłdu m równń liniowych lgebricznych z n niewidomymi x x n xn b x x n xn b, niewidome: x,

Bardziej szczegółowo

W tym wykładzie zapoznamy się z podstawowymi metodami przybliżonego obliczania całek oznaczonych funkcji jednej zmiennej, tj.

W tym wykładzie zapoznamy się z podstawowymi metodami przybliżonego obliczania całek oznaczonych funkcji jednej zmiennej, tj. WYKŁAD 3 CAŁKOWANIE NUMERYCZNE Motywcj Wiele spotykych w prktyce cłek ie może być obliczo lityczie lub ich ścisłe obliczeie jest brdzo prcochłoe. Z drugiej stroy, brdzo często wystrczy zć jedyie przybliżoą

Bardziej szczegółowo

Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa

Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Spis treści Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp Bardzo często interesujący

Bardziej szczegółowo

Główka pracuje - zadania wymagające myślenia... czyli TOP TRENDY nowej matury.

Główka pracuje - zadania wymagające myślenia... czyli TOP TRENDY nowej matury. Główk prcuje - zdi wymgjące myślei czyli TOP TRENDY owej mtury W tej pordzie 0 trudiejszych zdń Wiele z ich to zdi, których temt zczy się od wykż, udowodij, czyli iezbyt lubiych przez mturzystów Zdie Widomo,

Bardziej szczegółowo

Zdarzenia losowe, definicja prawdopodobieństwa, zmienne losowe

Zdarzenia losowe, definicja prawdopodobieństwa, zmienne losowe Metody probabilistycze i statystyka Wykład 1 Zdarzeia losowe, defiicja prawdopodobieństwa, zmiee losowe Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki

Bardziej szczegółowo

Estymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7

Estymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7 Metody probabilistycze i statystyka Estymacja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze

Bardziej szczegółowo

( ) Elementy rachunku prawdopodobieństwa. f( x) 1 F (x) f(x) - gęstość rozkładu prawdopodobieństwa X f( x) - dystrybuanta rozkładu.

( ) Elementy rachunku prawdopodobieństwa. f( x) 1 F (x) f(x) - gęstość rozkładu prawdopodobieństwa X f( x) - dystrybuanta rozkładu. Elementy rchunku prwdopodoeństw f 0 f() - gęstość rozkłdu prwdopodoeństw X f d P< < = f( d ) F = f( tdt ) - dystryunt rozkłdu E( X) = tf( t) dt - wrtość średn D ( X) = E( X ) E( X) - wrncj = f () F ()

Bardziej szczegółowo

CIĄGI LICZBOWE. Naturalną rzeczą w otaczającym nas świecie jest porządkowanie różnorakich obiektów, czyli ustawianie ich w pewnej kolejności.

CIĄGI LICZBOWE. Naturalną rzeczą w otaczającym nas świecie jest porządkowanie różnorakich obiektów, czyli ustawianie ich w pewnej kolejności. CIĄGI LICZBOWE Nturlą rzeczą w otczjącym s świecie jest porządkowie różorkich obiektów, czyli ustwiie ich w pewej kolejości. Dl przykłdu tworzymy różego rodzju rkigi, p. rkig jlepszych kierowców rjdowych.

Bardziej szczegółowo

0.1 ROZKŁADY WYBRANYCH STATYSTYK

0.1 ROZKŁADY WYBRANYCH STATYSTYK 0.1. ROZKŁADY WYBRANYCH STATYSTYK 1 0.1 ROZKŁADY WYBRANYCH STATYSTYK Zadaia 0.1.1. Niech X 1,..., X będą iezależymi zmieymi losowymi o tym samym rozkładzie. Obliczyć ES 2 oraz D 2 ( 1 i=1 X 2 i ). 0.1.2.

Bardziej szczegółowo

Estymacja przedziałowa

Estymacja przedziałowa Metody probabilistycze i statystyka Estymacja przedziałowa Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze

Bardziej szczegółowo

VI. Rachunek całkowy. 1. Całka nieoznaczona

VI. Rachunek całkowy. 1. Całka nieoznaczona VI. Rchunek cłkowy. Cłk nieoznczon Niech F : I R i f : I R będą funkcjmi określonymi n pewnym przedzile I R. Definicj. Funkcję F nzywmy funkcją pierwotną funkcji f n przedzile I, gdy F (x) = f(x) dl x

Bardziej szczegółowo

Układy równań liniowych Macierze rzadkie

Układy równań liniowych Macierze rzadkie 5 mrzec 009 SciLb w obliczeich umeryczych - część Sljd Ukłdy rówń liiowych Mcierze rzdkie 5 mrzec 009 SciLb w obliczeich umeryczych - część Sljd Pl zjęć. Zdie rozwiązi ukłdu rówń liiowych.. Ćwiczeie -

Bardziej szczegółowo

WYZNACZANIE OGNISKOWEJ SOCZEWEK CIENKICH ZA POMOCĄ ŁAWY OPTYCZNEJ

WYZNACZANIE OGNISKOWEJ SOCZEWEK CIENKICH ZA POMOCĄ ŁAWY OPTYCZNEJ ĆWICZENIE 9 WYZNACZANIE OGNISKOWEJ SOCZEWEK CIENKICH ZA POMOCĄ ŁAWY OPTYCZNEJ Opis kł pomirowego A) Wyzzie ogiskowej sozewki skpijąej z pomir oległośi przemiot i obrz o sozewki Szzególie proste, rówoześie

Bardziej szczegółowo

Całka Riemanna. Analiza Matematyczna. Alexander Denisjuk

Całka Riemanna. Analiza Matematyczna. Alexander Denisjuk Anliz Mtemtyczn Cłk Riemnn Alexnder Denisjuk denisjuk@pjwstk.edu.pl Polsko-Jpońsk Wyższ Szkoł Technik Komputerowych zmiejscowy ośrodek dydktyczny w Gdńsku ul. Brzegi 55 80-045 Gdńsk Anliz Mtemtyczn p.

Bardziej szczegółowo

Macierze w MS Excel 2007

Macierze w MS Excel 2007 Mcierze w MS Ecel 7 Progrm MS Ecel umożliwi wykoywie opercji mcierzch. Służą do tego fukcje: do możei mcierzy MIERZ.ILOZYN do odwrci mcierzy MIERZ.ODW do trspoowi mcierzy TRNSPONUJ do oliczi wyzczik mcierzy

Bardziej szczegółowo

Jan Nawrocki. MATEMATYKA cz. 2. Analiza matematyczna I

Jan Nawrocki. MATEMATYKA cz. 2. Analiza matematyczna I J Nwrocki MATEMATYKA cz Aliz mtemtycz I Politechik Wrszwsk Politechik Wrszwsk Wydził Smochodów i Mszy Roboczych Kieruek "Edukcj techiczo iformtycz" -54 Wrszw, ul Nrbutt 84, tel () 849 4 7, () 4 8 48 ipbmvrsimrpwedupl/spi/,

Bardziej szczegółowo

Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe

Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe Nierówność Czebyszewa Niech X będzie zmienną losową o skończonej wariancji V ar(x). Wtedy wartość oczekiwana E(X) też jest skończona i

Bardziej szczegółowo

Zadania z Rachunku Prawdopodobieństwa I - 1

Zadania z Rachunku Prawdopodobieństwa I - 1 Zadaia z Rachuku Prawdopodobieństwa I - 1 1. Grupę dzieci ustawioo w sposób losowy w szereg. Oblicz prawdopodobieństwo tego, że a) Jacek i Agatka stoją koło siebie, b) Jacek, Placek i Agatka stoją koło

Bardziej szczegółowo

1. Określ monotoniczność podanych funkcji, miejsce zerowe oraz punkt przecięcia się jej wykresu z osią OY

1. Określ monotoniczność podanych funkcji, miejsce zerowe oraz punkt przecięcia się jej wykresu z osią OY . Określ ootoiczość podch fukcji, iejsce zerowe orz pukt przecięci się jej wkresu z osią OY ) 8 ) 8 c) Określjąc ootoiczość fukcji liiowej = + korzst z stępującej włsości: Jeżeli > to fukcj liiow jest

Bardziej szczegółowo

WEKTORY skalary wektory W ogólnym przypadku, aby określić wektor, należy znać:

WEKTORY skalary wektory W ogólnym przypadku, aby określić wektor, należy znać: WEKTORY Wśród wielkości fizycznych występujących w fizyce możn wyróżnić sklry i wektory. Aby określić wielkość sklrną, wystrczy podć tylko jedną liczbę. Wielkościmi tkimi są ms, czs, tempertur, objętość

Bardziej szczegółowo

Rozdział 1. Ciągi liczbowe, granica ciągu

Rozdział 1. Ciągi liczbowe, granica ciągu Rozdził. Ciągi liczbowe, gric ciągu. Rodzje i włsości ciągów liczbowych W życiu codzieym często moż spotkć się z ciągmi: ciąg smochodów ulicy (pierwszy, drugi, trzeci ), ciąg ludzi w kolejce (zerowy chwilę

Bardziej szczegółowo

I. DZIAŁANIA W ZBIORZE LICZB RZECZYWISTYCH ZBIORY LICZBOWE: liczby całkowite C : C..., 3, 2, 1,

I. DZIAŁANIA W ZBIORZE LICZB RZECZYWISTYCH ZBIORY LICZBOWE: liczby całkowite C : C..., 3, 2, 1, I. DZIAŁANIA W ZBIORZE LICZB RZECZYWISTYCH ZBIORY LICZBOWE: liczy turle N : N 0,,,,,,..., N,,,,,... liczy cłkowite C : C...,,,, 0,,,,... Kżdą liczę wymierą moż przedstwić z pomocą ułmk dziesiętego skończoego

Bardziej szczegółowo

Wstęp do Rachunku Prawdopodobieństwa, IIr. WMS

Wstęp do Rachunku Prawdopodobieństwa, IIr. WMS Wstęp do Rachunku Prawdopodobieństwa, IIr. WMS przykładowe zadania na. kolokwium czerwca 6r. Poniżej podany jest przykładowy zestaw zadań. Podczas kolokwium na ich rozwiązanie przeznaczone będzie ok. 85

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 6..003 r. Zadaie. W kolejych okresach czasu t =,, 3, 4, 5 ubezpieczoy, charakteryzujący się parametrem ryzyka Λ, geeruje szkód. Dla daego Λ = λ zmiee N, N,..., N 5 są

Bardziej szczegółowo

Korelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12

Korelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12 Wykład Korelacja i regresja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Wykład 8. Badaie statystycze ze względu

Bardziej szczegółowo

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2. Zagadieia estymacji Puktem wyjścia badaia statystyczego jest wylosowaie z całej populacji pewej skończoej liczby elemetów i zbadaie ich ze względu a zmieą losową cechę X Uzyskae w te sposób wartości x,

Bardziej szczegółowo

Całka oznaczona. Matematyka. Aleksander Denisiuk. Elblaska Uczelnia Humanistyczno-Ekonomiczna ul. Lotnicza Elblag.

Całka oznaczona. Matematyka. Aleksander Denisiuk. Elblaska Uczelnia Humanistyczno-Ekonomiczna ul. Lotnicza Elblag. Mtemtyk Cłk oznczon Aleksnder Denisiuk denisjuk@euh-e.edu.pl Elblsk Uczelni Humnistyczno-Ekonomiczn ul. Lotnicz 2 82-3 Elblg Mtemtyk p. 1 Cłk oznczon Njnowsz wersj tego dokumentu dostępn jest pod dresem

Bardziej szczegółowo

Wektor kolumnowy m wymiarowy macierz prostokątna o wymiarze n=1 Wektor wierszowy n wymiarowy macierz prostokątna o wymiarze m=1

Wektor kolumnowy m wymiarowy macierz prostokątna o wymiarze n=1 Wektor wierszowy n wymiarowy macierz prostokątna o wymiarze m=1 Rchunek mcierzowy Mcierzą A nzywmy funkcję 2-zmiennych, któr prze liczb nturlnych (i,j) gdzie i = 1,2,3,4.,m; j = 1,2,3,4,n przyporządkowuje dokłdnie jeden element ij. 11 21 A = m1 12 22 m2 1n 2n mn Wymirem

Bardziej szczegółowo

III. Rachunek całkowy funkcji jednej zmiennej.

III. Rachunek całkowy funkcji jednej zmiennej. III. Rchunek cłkowy funkcji jednej zmiennej. 1. Cłki nieoznczone. Niech f : I R, I R - przedził n prostej. Definicj 1.1. (funkcji pierwotnej) Funkcję F nzywmy funkcją pierwotną funkcji f n przedzile I,

Bardziej szczegółowo

Całkowanie metodą Monte Carlo

Całkowanie metodą Monte Carlo Cłkownie metodą Monte Crlo Pln wykłdu: 1. Podstwow metod Monte Crlo 2. Metody MC o zwiększonej efektywności ) losowni wżonego b) zmiennej kontrolnej c) losowni wrstwowego d) obniżni krotności cłki Przypomnienie

Bardziej szczegółowo

Obliczenia naukowe Wykład nr 14

Obliczenia naukowe Wykład nr 14 Obliczeni nuowe Wyłd nr 14 Pweł Zielińsi Ktedr Informtyi, Wydził Podstwowych Problemów Technii, Politechni Wrocłws Litertur Litertur podstwow [1] D. Kincid, W. Cheney, Anliz numeryczn, WNT, 2005. [2] A.

Bardziej szczegółowo

Matematyka stosowana i metody numeryczne

Matematyka stosowana i metody numeryczne Ew Pbisek Adm Wostko Piotr Pluciński Mtemtyk stosown i metody numeryczne Konspekt z wykłdu 0 Cłkownie numeryczne Wzory cłkowni numerycznego pozwlją n obliczenie przybliżonej wrtości cłki: I(f) = f(x) dx

Bardziej szczegółowo

Realizacje zmiennych są niezależne, co sprawia, że ciąg jest ciągiem niezależnych zmiennych losowych,

Realizacje zmiennych są niezależne, co sprawia, że ciąg jest ciągiem niezależnych zmiennych losowych, Klsyczn Metod Njmniejszych Kwdrtów (KMNK) Postć ć modelu jest liniow względem prmetrów (lbo nleży dokonć doprowdzeni postci modelu do liniowości względem prmetrów), Zmienne objśnijące są wielkościmi nielosowymi,

Bardziej szczegółowo

Granica cigu punktów. ), jest zbieny do punktu P 0 = ( x0. n n. ) n. Zadania. Przykłady funkcji dwu zmiennych

Granica cigu punktów. ), jest zbieny do punktu P 0 = ( x0. n n. ) n. Zadania. Przykłady funkcji dwu zmiennych Gric cigu puktów Ztem Cig puktów P P ; jest zie do puktu P ; gd P P [ ] Oliczm gric cigu l Poiew l l wic cig l jest zie i jego gric jest pukt π π [ ] Oliczm gric cigu si π π π π Poiew si si wic cig si

Bardziej szczegółowo

O pewnych zgadnieniach optymalizacyjnych O pewnych zgadnieniach optymalizacyjnych

O pewnych zgadnieniach optymalizacyjnych O pewnych zgadnieniach optymalizacyjnych Spis tresci 1 Spis tresci 1 W wielu zgdnienich prktycznych brdzo wżne jest znjdownie optymlnego (czyli njlepszego z jkiegoś punktu widzeni) rozwiązni dnego problemu. Dl przykłdu, gdybyśmy chcieli podróżowć

Bardziej szczegółowo

Materiały dydaktyczne. Matematyka. Semestr II. Wykłady

Materiały dydaktyczne. Matematyka. Semestr II. Wykłady Projekt współfisowy ze środków Uii Europejskiej w rmch Europejskiego Fuduszu Społeczego Mteriły dydktycze Mtemtyk Semestr II Wykłdy Projekt Rozwój i promocj kieruków techiczych w Akdemii Morskiej w Szczeciie

Bardziej szczegółowo

1 Zmienne losowe wielowymiarowe.

1 Zmienne losowe wielowymiarowe. 1 Zmienne losowe wielowymiarowe. 1.1 Definicja i przykłady. Definicja1.1. Wektorem losowym n-wymiarowym(zmienna losowa n-wymiarowa )nazywamywektorn-wymiarowy,któregoskładowymisązmiennelosowex i dlai=1,,...,n,

Bardziej szczegółowo

Szeregi liczbowe o wyrazach dodatnich

Szeregi liczbowe o wyrazach dodatnich Szeregi liczbowe o wyrzch dodtich Poprwi lem 6 listopd 20, godz. 23:49 Twierdzeie 3. ( l czość sumowiieskończoego) Jeśli szereg to szereg Dowód. b cze ściowych szeregu jest zbieży ci g (k ) jest ściśle

Bardziej szczegółowo

RÓWNANIA RÓŻNICZKOWE WYKŁAD 7

RÓWNANIA RÓŻNICZKOWE WYKŁAD 7 RÓWNANIA RÓŻNIZKOWE WYKŁAD 7 Deiicj Ukłdem rówń różiczkowch rzędu pierwszego w posci ormlej zwm ukłd rówń o iewidomch > zmie iezleż. Uwg Jeżeli = o zzwczj piszem x zmis orz g zmis jeżeli = o piszem x z

Bardziej szczegółowo

Prace Koła Matematyków Uniwersytetu Pedagogicznego w Krakowie (2014)

Prace Koła Matematyków Uniwersytetu Pedagogicznego w Krakowie (2014) Prce Koł Mt. Uniw. Ped. w Krk. 1 014), 1-5 edgogicznego w Krkowie PKoło Mtemtyków Uniwersytetu Prce Koł Mtemtyków Uniwersytetu Pedgogicznego w Krkowie 014) Bet Gwron 1 Kwdrtury Newton Cotes Streszczenie.

Bardziej szczegółowo

f(x)dx (1.7) b f(x)dx = F (x) = F (b) F (a) (1.2)

f(x)dx (1.7) b f(x)dx = F (x) = F (b) F (a) (1.2) Cłk oznczon Cłkę oznczoną będziemy zpisywli jko f(x)dx (.) z fnkcji f(x), któr jest ogrniczon w przedzile domkniętym [, b]. Jk obliczyć cłkę oznczoną? Obliczmy njpierw cłkę nieoznczoną z fnkcji f(x), co

Bardziej szczegółowo

Modelowanie i obliczenia techniczne. Metody numeryczne w modelowaniu: Różniczkowanie i całkowanie numeryczne

Modelowanie i obliczenia techniczne. Metody numeryczne w modelowaniu: Różniczkowanie i całkowanie numeryczne Modelownie i obliczeni techniczne Metody numeryczne w modelowniu: Różniczkownie i cłkownie numeryczne Pochodn unkcji Pochodn unkcji w punkcie jest deiniown jko grnic ilorzu różnicowego (jeżeli istnieje):

Bardziej szczegółowo

Metody numeryczne. Całkowanie. Janusz Szwabiński. nm_slides-4.tex Metody numeryczne Janusz Szwabiński 23/10/ :07 p.

Metody numeryczne. Całkowanie. Janusz Szwabiński. nm_slides-4.tex Metody numeryczne Janusz Szwabiński 23/10/ :07 p. Metody numeryczne Cłkownie Jnusz Szwbiński szwbin@ift.uni.wroc.pl nm_slides-4.tex Metody numeryczne Jnusz Szwbiński 23/10/2002 10:07 p.1/69 Cłkownie numeryczne 1. Kilk uwg ogólnych 2. Kwdrtury Newton Cotes

Bardziej szczegółowo

MATERIAŁY POMOCNICZE DO MATURY Z MATEMATYKI

MATERIAŁY POMOCNICZE DO MATURY Z MATEMATYKI MATERIAŁY POMOCNICZE DO MATURY Z MATEMATYKI . Ziory. Dziłi ziorch. Ziór, elemet zioru pojęci pierwote. Jeśli x leży do ( jest elemetem ) zioru A, to piszemy x A, jeśli y ie leży do zioru A, piszemy y A.

Bardziej szczegółowo

Trochę zadań kombinatorycznych. 1. na ile sposobów można siedmiu stojących na peronie pasażerów umieścić w trzech wagonach?

Trochę zadań kombinatorycznych. 1. na ile sposobów można siedmiu stojących na peronie pasażerów umieścić w trzech wagonach? Trochę zadań kombiatoryczych 1. a ile sposobów moża siedmiu stojących a peroie pasażerów umieścić w trzech wagoach? 2. Na szachowicy o wymiarach umieszczamy 8 ierozróżialych wież szachowych tak aby żade

Bardziej szczegółowo

ODPOWIEDZI I SCHEMAT PUNKTOWANIA ZESTAW NR 1 POZIOM ROZSZERZONY

ODPOWIEDZI I SCHEMAT PUNKTOWANIA ZESTAW NR 1 POZIOM ROZSZERZONY Przykłdowy zestw zdń r z mtemtyki Odpowiedzi i schemt puktowi poziom rozszerzoy ODPOWIEDZI I SCHEMAT PUNKTOWANIA ZESTAW NR POZIOM ROZSZERZONY Nr zdi Nr czyości Etpy rozwiązi zdi Liczb puktów Uwgi I metod

Bardziej szczegółowo

Metody Lagrange a i Hamiltona w Mechanice

Metody Lagrange a i Hamiltona w Mechanice Metody Lgrnge i Hmilton w Mechnice Mriusz Przybycień Wydził Fizyki i Informtyki Stosownej Akdemi Górniczo-Hutnicz Wykłd 3 M. Przybycień (WFiIS AGH) Metody Lgrnge i Hmilton... Wykłd 3 1 / 15 Przestrzeń

Bardziej szczegółowo

WYKŁAD 2. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady

WYKŁAD 2. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady WYKŁAD 2 Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady Metody statystyczne metody opisu metody wnioskowania statystycznego syntetyczny liczbowy opis właściwości zbioru danych ocena

Bardziej szczegółowo

Zadania. I. Podzielność liczb całkowitych

Zadania. I. Podzielność liczb całkowitych Zdni I. Podzielność liczb cłkowitych. Pewn liczb sześciocyfrow kończy się cyfrą 5. Jeśli tę cyfrę przestwimy n miejsce pierwsze ze strony lewej to otrzymmy nową liczbę cztery rzy większą od poprzedniej.

Bardziej szczegółowo

Wyrównanie sieci niwelacyjnej

Wyrównanie sieci niwelacyjnej 1. Wstęp Co to jest sieć niwelcyjn Po co ją się wyrównje Co chcemy osiągnąć 2. Metod pośrednicząc Wyrównnie sieci niwelcyjnej Metod pośrednicząc i metod grpow Mmy sieć skłdjącą się z szereg pnktów. Niektóre

Bardziej szczegółowo

Rozwiązywanie układów równań liniowych (1)

Rozwiązywanie układów równań liniowych (1) etody Numerycze i Progrmowie Stro z Wykłd. Rozwiązywie ukłdów rówń liiowych () etody dokłde rozwiązywi ukłdów rówń liiowych etody dokłde pozwlą uzyskie rozwiązi w skończoe liczbie kroków obliczeiowych.

Bardziej szczegółowo

Ciąg arytmetyczny i geometryczny

Ciąg arytmetyczny i geometryczny Ciąg rytmetyczy i geometryczy Zd. : Ciąg ( ) jest opisy wzorem = 5 + ( )(k k ), gdzie k jest prmetrem. ) WykŜ, Ŝe ( ) jest ciągiem rytmetyczym. Dl jkich wrtości prmetru k ciąg te jest mlejący? b) Dl k

Bardziej szczegółowo

CAŁKOWANIE NUMERYCZNE

CAŁKOWANIE NUMERYCZNE Wprowdzenie Kwdrtury węzły równoodległe Kwdrtury Guss Wzory sumcyjne Trnsport, studi niestcjonrne I stopni, semestr I rok kdemicki 01/013 Instytut L-5, Wydził Inżynierii Lądowej, Politechnik Krkowsk Ew

Bardziej szczegółowo

Wykład 9. Podejmowanie decyzji w warunkach niepewności

Wykład 9. Podejmowanie decyzji w warunkach niepewności Wkłd 9. Podejowie deczji w wrukch ieewości E L l E E F E F l S 0 0 ; R D D F F D i F() - wrtość zieej losowej - zbiór ciągł f - fukcj gęstości rozkłdu rwdoodobieństw zieej losowej Wówczs: d f E L l d

Bardziej szczegółowo

Ważne rozkłady i twierdzenia c.d.

Ważne rozkłady i twierdzenia c.d. Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby

Bardziej szczegółowo

3. Funkcje elementarne

3. Funkcje elementarne 3. Fukcje elemetare Fukcjami elemetarymi będziemy azywać fukcję tożsamościową x x, fukcję wykładiczą, fukcje trygoometrycze oraz wszystkie fukcje, jakie moża otrzymać z wyżej wymieioych drogą astępujących

Bardziej szczegółowo

Rozdział 1. Zmienne losowe, ich rozkłady i charakterystyki. 1.1 Definicja zmiennej losowej

Rozdział 1. Zmienne losowe, ich rozkłady i charakterystyki. 1.1 Definicja zmiennej losowej Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Zbiór możliwych wyników eksperymentu będziemy nazywać przestrzenią zdarzeń elementarnych i oznaczać Ω, natomiast

Bardziej szczegółowo

EGZAMIN MATURALNY OD ROKU SZKOLNEGO 2014/2015 MATEMATYKA POZIOM ROZSZERZONY ROZWIĄZANIA ZADAŃ I SCHEMATY PUNKTOWANIA (A1, A2, A3, A4, A6, A7)

EGZAMIN MATURALNY OD ROKU SZKOLNEGO 2014/2015 MATEMATYKA POZIOM ROZSZERZONY ROZWIĄZANIA ZADAŃ I SCHEMATY PUNKTOWANIA (A1, A2, A3, A4, A6, A7) EGZAMIN MATURALNY OD ROKU SZKOLNEGO 01/015 MATEMATYKA POZIOM ROZSZERZONY ROZWIĄZANIA ZADAŃ I SCHEMATY PUNKTOWANIA (A1, A, A, A, A6, A7) GRUDZIEŃ 01 Klucz odpowiedzi do zdń zmkniętych Nr zdni 1 5 Odpowiedź

Bardziej szczegółowo

Stwierdzenie 1. Jeżeli ciąg ma granicę, to jest ona określona jednoznacznie (żaden ciąg nie może mieć dwóch różnych granic).

Stwierdzenie 1. Jeżeli ciąg ma granicę, to jest ona określona jednoznacznie (żaden ciąg nie może mieć dwóch różnych granic). Materiały dydaktycze Aaliza Matematycza Wykład Ciągi liczbowe i ich graice. Graice ieskończoe. Waruek Cauchyego. Działaia arytmetycze a ciągach. Podstawowe techiki obliczaia graic ciągów. Istieie graic

Bardziej szczegółowo

Analiza matematyczna 1 - test egzaminacyjny wersja do ćwiczeń

Analiza matematyczna 1 - test egzaminacyjny wersja do ćwiczeń Analiza matematyczna 1 - test egzaminacyjny wersja do ćwiczeń Leszek Skrzypczak 1. Niech E = {x [0, 1] : x = k 2 n k = 1, 2,... 2 n, n = 1, 2, 3,...} Wówczas: (a) Dla dowolnych liczb wymiernych p, q [0,

Bardziej szczegółowo

zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych

zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych 1. [E.A 5.10.1996/zad.4] Funkcja gęstości dana jest wzorem { 3 x + 2xy + 1 y dla (x y) (0 1) (0 1) 4 4 P (X > 1 2 Y > 1 2 ) wynosi:

Bardziej szczegółowo

i interpretowanie reprezentacji wykorzystanie i tworzenie reprezentacji wykorzystanie wykorzystanie i tworzenie reprezentacji

i interpretowanie reprezentacji wykorzystanie i tworzenie reprezentacji wykorzystanie wykorzystanie i tworzenie reprezentacji KLUCZ ODPOWIEDZI I ZASADY PUNKTOWANIA PRÓBNEGO EGZAMINU MATURALNEGO Z MATEMATYKI POZIOM PODSTAWOWY Nr zdi Odpowiedzi Pukty Bde umiejętości Obszr stdrdu. B 0 pluje i wykouje obliczei liczbch rzeczywistych,

Bardziej szczegółowo

WZORY Z MATEMATYKI. Równość zbiorów: A = B (dla każdego x : x A x B ) Zawieranie się zbiorów, podzbiory: A B ( dla każdego x: x A x B )

WZORY Z MATEMATYKI. Równość zbiorów: A = B (dla każdego x : x A x B ) Zawieranie się zbiorów, podzbiory: A B ( dla każdego x: x A x B ) . Ziory. Dziłi ziorch. Ziór, elemet zioru pojęci pierwote. Jeśli x leży do ( jest elemetem ) zioru A, to piszemy x A, jeśli y ie leży do zioru A, piszemy y A. Kżdy ziór jest wyzczoy przez swoje elemety.

Bardziej szczegółowo

5 Przegląd najważniejszych rozkładów

5 Przegląd najważniejszych rozkładów 5 Przegląd najważniejszych rozkładów 5. Rozkład Bernoulliego W niezmieniających się warunkach wykonujemy n razy pewne doświadczenie. W wyniku każdego doświadczenia może nastąpić zdarzenie A lub A. Zakładamy,

Bardziej szczegółowo

MATEMATYKA 1 MACIERZE I WYZNACZNIKI

MATEMATYKA 1 MACIERZE I WYZNACZNIKI MATEMATYKA 1 MACIERZE I WYZNACZNIKI Definicj 1. Niech A i B będą dowolnymi zbiormi. Zbiór A B = {(, b) : A b B} wszystkich pr uporządkownych (, b) tkich, że A i b B nzywmy iloczynem krtezjńskim zbiorów

Bardziej szczegółowo